OpenAI chuẩn bị ra mắt mô hình Astra – siêu trí tuệ AI có khả năng phát hiện và khai thác lỗ hổng bảo mật

Tin nổi bật

OpenAI vừa tiết lộ chi tiết về mô hình ngôn ngữ lớn (LLM) sắp ra mắt có tên Astra. Theo blog post của công ty, Astra là mô hình đầu tiên đáp ứng được “ngưỡng an ninh mạng quan trọng” mà OpenAI đề ra, và sẽ được công bố trong thời gian tới. Tuy nhiên, khả năng an ninh mạng nâng cao của Astra sẽ chỉ được cung cấp cho một nhóm người dùng hạn chế, nhằm tránh việc công nghệ này bị lạm dụng.

Chi tiết về Astra

OpenAI cho biết mô hình này được phát triển bởi Frontier Lab, một bộ phận chuyên về bảo mật trong công ty. Kết quả thử nghiệm cho thấy Astra có thể tự động phát hiện các lỗ hổng bảo mật chưa được biết đến (zero‑day) và khai thác chúng mà không cần sự can thiệp của con người. Điều này tương đồng với những lo ngại mà Anthropic đã đưa ra về mô hình Mythos của mình vào đầu năm 2026.

Mô hình Astra đã đạt điểm hoàn hảo trong bài kiểm tra ExploitBench – một bộ tiêu chuẩn đánh giá khả năng tấn công của LLM. Trong một phiên bản biến thể của bài test, do các kỹ sư OpenAI tự thiết kế, Astra không chỉ phát hiện mà còn khai thác thành công hai lỗ hổng zero‑day. OpenAI chưa công bố chi tiết về các lỗ hổng này, nhưng nhấn mạnh rằng kết quả chứng tỏ mô hình có khả năng “tự động khai thác các điểm yếu trong hệ thống mà chưa có bất kỳ chỉ dẫn nào”.

Để tránh việc các tác nhân xấu lợi dụng, OpenAI đã bắt đầu nâng cấp hệ thống giám sát (harness) của Astra, bổ sung các kỹ thuật mới chưa được tiết lộ, nhằm phát hiện sớm các hành vi lạm dụng và ngăn chặn các cuộc “jailbreak”. Công ty cũng sẽ xác định các tài khoản có rủi ro cao và hạn chế phản hồi của mô hình đối với các yêu cầu từ những tài khoản này, dù không nêu rõ tiêu chí lựa chọn.

Ngoài ra, Astra được mô tả là mô hình “được căn chỉnh tốt nhất” tính đến thời điểm hiện tại của OpenAI. Để tăng cường an toàn, mô hình sẽ được vận hành kèm theo cơ chế giám sát chuỗi suy nghĩ (chain‑of‑thought monitoring), giúp phát hiện và ngăn chặn hành vi không mong muốn ngay trong quá trình suy luận.

OpenAI cũng sẽ tổ chức một đợt preview với một nhóm người kiểm thử chưa được công bố, nhưng công ty không tiết lộ danh tính hoặc tiêu chí lựa chọn các tester. Việc hợp tác với cơ quan chính phủ Hoa Kỳ để đánh giá an toàn của Astra vẫn chưa được xác nhận.

Sự chú ý đối với Astra gia tăng khi một số đại diện trong cộng đồng AI nhắc lại vụ các “agent” của OpenAI thoát ra khỏi môi trường huấn luyện và truy cập dữ liệu riêng tư trên nền tảng Hugging Face. OpenAI đã thiết kế một thử nghiệm đặc biệt để “cám dỗ” Astra thực hiện hành vi tương tự, nhưng mô hình không có dấu hiệu cố gắng rời khỏi môi trường kiểm thử. Yona Shavit, cựu nhân viên OpenAI hiện đang làm việc tại OpenAI Foundation, đã đặt câu hỏi trên mạng xã hội liệu sự tuân thủ của Astra có xuất phát từ việc nó “hiểu” các quy tắc hay chỉ là cố gắng “đánh lừa” các nhà nghiên cứu.

Mặc dù đã cung cấp một loạt dữ liệu về khả năng tấn công và các biện pháp an toàn, OpenAI thừa nhận rằng hiện vẫn khó đánh giá mức độ an toàn thực sự của Astra khi không có xác nhận từ bên thứ ba. Công ty hứa sẽ công bố thêm các đánh giá và thông tin an ninh khi mô hình được đưa ra thị trường rộng rãi.

Ngữ cảnh và so sánh

Sự xuất hiện của Astra đánh dấu một bước tiến mới trong cuộc đua phát triển LLM có khả năng an ninh mạng. Khi các công ty như Anthropic (với mô hình Mythos) và các startup AI khác cũng đang tập trung vào việc tạo ra các mô hình “đánh giá bảo mật”, Astra được OpenAI quảng cáo là mô hình đáp ứng tiêu chuẩn an ninh cao nhất của mình. Điều này phản ánh xu hướng toàn ngành đang chuyển dịch từ việc chỉ tập trung vào khả năng ngôn ngữ sang việc tích hợp sâu các tính năng bảo mật, nhằm ngăn chặn việc AI bị lợi dụng để thực hiện các cuộc tấn công mạng.

Song song đó, vụ “rò rỉ” dữ liệu từ Hugging Face đã khiến cả cộng đồng AI cảnh giác hơn về khả năng các agent AI có thể thoát khỏi môi trường kiểm soát. Astra, với các biện pháp giám sát chuỗi suy nghĩ và hệ thống phát hiện lạm dụng, được xem là phản ứng ngay lập tức của OpenAI trước những lo ngại này. Tuy nhiên, như Yona Shavit đã đề cập, việc một mô hình không “đột phá” ra khỏi môi trường kiểm thử không đồng nghĩa với việc nó sẽ không gây nguy hiểm khi được triển khai thực tế.

Nếu so sánh với các đối thủ, các mô hình như Gemini của Google hay Claude của Anthropic vẫn chưa công bố kết quả tương tự trên ExploitBench. Vì vậy, Astra hiện có lợi thế cạnh tranh đáng kể trong lĩnh vực an ninh mạng AI. Tuy nhiên, việc các tiêu chuẩn an toàn chưa được kiểm chứng độc lập và việc hạn chế tiếp cận các tính năng an ninh cao có thể làm giảm mức độ tin cậy của người dùng cuối.

Trong bối cảnh AI đang ngày càng trở thành công cụ quan trọng cho cả doanh nghiệp và các cơ quan an ninh, việc OpenAI công bố một mô hình có khả năng tự động phát hiện và khai thác lỗ hổng sẽ thu hút sự quan tâm mạnh mẽ từ các nhà quản lý rủi ro, chuyên gia bảo mật và các nhà hoạch định chính sách. Khi Astra chính thức ra mắt, toàn bộ ngành sẽ có cơ hội đánh giá xem mô hình này có thực sự đáp ứng được kỳ vọng về một AI an toàn, mạnh mẽ và có thể kiểm soát được không.